Image Smoothing

 Biasa dilakukan untuk menghilangkan

efek pada citra digital yang disebabkan
oleh keterbatasan sistem pencuplikan
atau kanal transmisi
 Teknik penghalusan:

Domain spasial, contoh: mean, median,
dan modus filtering

Domain frekwensi, contoh: lowpass
filtering
 Efek samping: citra menjadi blur
Mean filtering (neighborhood averaging)

 Diberikan (bagian) citra NxN pixel: f(x,y)

 Citra hasil: g(x,y)  merata-ratakan nilai
gray level pixel-pixel pada f (x,y) yang
termasuk dalam area (neighborhood) tertentu

1
g(x, y) = ∑ f (n, m);
M (n,m)∈S
x, y = 0,1,...,N −1

S: himpunan titik koordinat yang merupakan tetangga (neighbor) dari

titik (x,y), termasuk (x,y) itu sendiri
M: Jumlah total titik dalam neighborhood {neighborhood tidak selalu
berbentuk bujur sangkar}
Matriks ketetanggaan
 Biasanya N bilangan ganjil  titik
(x,y) bisa berada di tengah matriks
Matriks Mask
 Ukuran sama dengan matriks ketetanggaan
 Menyimpan operasi yang akan dikenakan
terhadap matriks ketetanggaan

Isi matriks mask menentukan operasi terhadap
matriks ketetanggaan

Untuk averaging diisi dengan 1/M
 Operasi secara skalar:

G ( x, y ) = ∑ Mask (n, m) × Neighborhood (n, m)

( n , m )∈S
Contoh
Shortcut
 Karena yang sebenarnya dilakukan
adalah mencari rata-rata, maka dapat
langsung dilakukan penjumlahan isi
matriks neighborhood baru kemudian
membaginya dengan (N x N)  tidak
perlu mengalikan satu per satu baru
kemudian dijumlahkan
Contoh mean filtering
Tingkat blurring
 Tingkat blurring yang didapat pada citra
hasil sebanding dengan ukuran matriks
ketetanggaan yang digunakan

Ukuran matriks ketetanggaan semakin besar

 Thresholding
 Mengurangi efek blurring pada pixel
sisi

1 1

M
∑ f (m, n) if f ( x, y ) −
M
∑ f (m, n) < T
g ( x, y ) =  ( m , n )∈S ( m , n )∈S


 f ( x, y ) otherwise
Masalah pada mean filtering
 Masalah dengan mean filtering: cara
mempertahankan sisi atau detil tepi
 Alternatif solusi: penggunaan
threshold
 Masalah baru: penentuan threshold

Mungkin perlu trial and error
 Alternatif lain: median filtering
Median filtering
 Ide: nilai median dari pixel-pixel
dalam matriks ketetanggaan
digunakan sebagai warna pixel f(x,y)
 Metode ini tepat untuk
menghilangkan noise yang bersifat
spike sementara diinginkan untuk
tetap mempertahankan ketajaman
sisi
Mencari median
 Masukkan nilai-nilai dalam matriks
neighborhood dalam matriks satu
dimensi
 Urutkan nilai dalam matriks 1 dimensi
tsb
 Nilai tengah sebagai pengganti f(x,y)
Contoh median filtering

Median filtering
dgn mask 3 x 3
Modus filtering
 Ide: warna yang paling banyak
muncul dalam matriks ketetanggaan
digunakan sebagai warna f(x,y)

 Nilai yang paling sering muncul = 9

 Warna f(x,y) diubah dari 180 menjadi 9
Contoh modus filtering

Modus filtering
dgn mask 5 x 5
 3x3 5x5 7x7

Mean
filtering

Median
filtering

Citra asli

Modus
filtering
 3x3 5x5 7x7

Mean
filtering

Median
filtering

Citra asli

Modus
filtering
Low-pass filtering:
Blurring pada domain frekwensi

 Sisi dan transisi tajam lain (misal:

noise) pada gray level dari suatu citra
berkontribusi terhadap frekwensi
tinggi pada transformasi Fourier
 Blurring dapat dilakukan dengan
‘menyaring’ (menghilangkan)
frekwensi tinggi
Contoh FFT citra asli & citra
blur

FFT

FFT
Image Sharpening
 Teknik sharpening biasa digunakan
untuk memperjelas sisi pada citra
 Teknik sharpening

Di domain spasial (contoh:
differentiation)

Di domain frekwensi (contoh: high-pass
filter)
 Sharpening dengan differentiation
 Averaging  integrasi; sharpening 
turunan (differentiation)
 Metode differentiation yang sering
digunakan: gradient
 Diberikan fungsi f(x,y), gradient dari f pada
(x,y) didefinisikan dengan vektor G:

∂f
 ∂x
  ∂f  2  ∂f  2

1
2

G[ f ( x, y )] =  ∂f  G[ f ( x, y )] = mag[G ] =   +   
 ∂x   ∂y  
 ∂y 
 Salah satu pendekatan gradien
untuk proses digital

G[ f ( x, y )] ≅

{[ f ( x, y) − f ( x + 1, y)] + [ f ( x, y) − f ( x, y + 1)] }
2 2
1
2

atau
G[ f ( x, y )] ≅
f ( x, y ) − f ( x + 1, y ) + f ( x, y ) − f ( x, y + 1)
Ilustrasi & kelemahan

 Untuk citra N x N pixel, tidak mungkin

didapat gradien untuk pixel-pixel pada
baris maupun kolom terakhir
Pendekatan lain: Roberts gradient

G[ f ( x, y )] ≅

{[ f ( x, y) − f ( x + 1, y + 1)] + [ f ( x + 1, y) − f ( x, y + 1)] }
2 2
1
2

atau
G[ f ( x, y )] ≅
f ( x, y ) − f ( x + 1, y + 1) + f ( x + 1, y ) − f ( x, y + 1)
Nilai gradien
 Proporsional dengan perbedaan nilai
gray level antar pixel yang
bertetangga

Nilai tinggi untuk sisi (warna berbeda
dengan tajam)

Nilai kecil untuk daerah yang relatif
sama warnanya

Citra asli g(x,y) = G[f(x,y)]

 Variasi pendekatan untuk
g(x,y)

G[ f ( x, y )]; G[ f ( x, y )] ≥ T Masalah: penentuan nilai T

g ( x, y ) =  yang tepat shg tepi dapat
 f ( x, y ); G[ f ( x, y )] < T dipertajam tanpa merusak
pixel-pixel non-tepi

 LG ; G[ f ( x, y )] ≥ T
g ( x, y ) = 
 f ( x, y ); G[ f ( x, y )] < T
G[ f ( x, y )]; G[ f ( x, y )] ≥ T
g ( x, y ) = 
 LB ; G[ f ( x, y )] < T
LG: Nilai gray level tertentu
untuk mewakili pixel-pixel
tepi
LB: Nilai gray level tertentu
untuk mewakili pixel-pixel
non-tepi

 LG ; G[ f ( x, y )] ≥ T
g ( x, y ) = 
 LB ; G[ f ( x, y )] < T
Contoh sharpening
High-pass filtering:
Sharpening pada domain frekwensi

 Sisi dan transisi tajam lain (misal:

noise) pada gray level dari suatu citra
berkontribusi terhadap frekwensi
tinggi pada transformasi Fourier
 Sharpening dapat dilakukan dengan
‘menyaring’ (menghilangkan)
frekwensi rendah
Contoh FFT citra asli & citra sharpened

FFT

FFT